Внедрить систему «Управление данными»: миссия выполнима

Логотип компании
Внедрить систему «Управление данными»: миссия выполнима
Внедрение систем управления данными в современном мире стало must have. Однако при внедрении подобной системы компании часто сталкиваются с проблемами: создание нужного ландшафта требует времени, тяжело определить приоритетные задачи, сотрудники не готовы работать с системой.

В этой статье я хочу доступно рассказать, как внедрение BI может помочь в реализации подобной системы и заодно логически завершу историю о выстраивании централизованной аналитической службы в Enterprise-компании. Первую и вторую главу этого захватывающего романа можно прочитать здесь и здесь.

Data Governance – что за зверь?

В комплексе Управление данными (или Data Governance, потому что говорим мы именно об этом) решает задачи доступности данных, их согласованности и непротиворечивости. Мы именно «управляем данными» и всегда уверены в них. Это как исследовать мир с открытыми глазами – мы не идём на ощупь или на звук, а точно видим всё вокруг и всегда идём туда, куда нам надо. Сама дисциплина Data Governance состоит из 10 направлений:

1. Архитектура данных

2. Моделирование и разработка данных

3. Хранение данных и обработка

4. Безопасность данных

5. Интеграция и интероперабельность

6. Документы и контент

7. Мастер-данные

8. Хранение данных и бизнес-аналитика

9. Мета-данные

10. Качество данных

Для разных компаний на разных этапах развития акценты могут смещаться. Например, для очень многих компаний вопрос безопасности будет стоять чуть ли не на первом месте, но будут и такие, для которых гораздо важнее работа с мастер-данными. Но в зрелой компании необходимо развивать все эти направления. Приоритеты как по срокам, так и по масштабам могут смещаться, и за разные направления дисциплины могут отвечать разные подразделения.

Как правило пункты с 1 по 5 – это больше вопросы ИТ-инфраструктуры и Информационной безопасности, тогда как с 6 по 10 – это уже непосредственно интересы бизнеса и бизнес-аналитики. Но так или иначе, внедрение любого направления – это в первую очередь регламенты работы с данным направлением, которые необходимо разработать, определить ответственных, внедрить и четко исполнять.

Регламенты, которые касаются работы ИТ-специалистов, более понятны и их в целом легче принимают, но всё, что связано с бизнес-пользователями очень часто воспринимается сотрудниками в штыки. Они видят только дополнительную нагрузку и бюрократию. И ключевым фактором успеха является донесение понимания важности этой работы до пользователей. Как с точки зрения важности для самой компании, так и лично для конкретного бизнес-пользователя, который должен этот регламент ежедневно исполнять. Один из примеров позитивной работы с пользователями был уже описан выше (на примере BI-аналитики и качества данных).

Внедрить систему «Управление данными»: миссия выполнима . Рис. 1

Рис. 1 BI «приучает» пользователей к работе с данными и демонстрирует, что она важна и полезна

Почему система построения данных необходима в комплексной аналитике?

Ключевая цель построения централизованной аналитики – это предоставление единой версии правды для всех потребителей в компании. Параметры «в реальном времени» и «во всех доступных разрезах и периодах времени» также важны, но главное для нас – это согласованность данных. К сожалению, в большинстве компаний при подготовке одних и тех же отчетов разными подразделениями мы получаем немного (или очень даже «много») разные данные. При попытке свести или интерпретировать данные из разных информационных систем проблема та же – данные одни и те же, но не всегда сходятся.

Где-то проблема кроется в несинхронизированных справочниках, где-то – в занесении или распространении данных. Но это не меняет сути – мы каждый раз должны перепроверять данные или давать их с оговорками. Как минимум это не удобно, но чаще просто ведёт к ошибкам, которые могут привести, в том числе, и к принятию неверных решений. И вот для реализации главной цели – «единой версии правды», – мы и должны рано или поздно начать внедрять систему Управления данными. Тут и согласованность данных, и их качество с точки зрения отсутствия ошибок и полноты, и выверенные справочники.

Конечно мы можем, как и в случае с BI-отчетами, немного подождать и обрабатывать ошибки вручную. Но чем больше данных, чем больше потребителей, тем труднее и энергозатратнее становится это делать. Это и время на выяснение и устранение ошибок, и человеко-часы, и раздувание штата специалистов. Резюмируя – если мы хотим, чтобы аналитика делалась быстро и дальше работала сама с минимальным участием людей, нам не обойтись без системы управления данными.

Но кроме непосредственно проблем аналитики система выявляет еще и реализованные ошибки, которые не успели вовремя отловить и исправить. Чем больше транзакций у компании проходит в период времени, тем критичнее для нее такая система. Некоторые ошибки вообще могут не попадать ни в один отчет, который контролируют менеджеры, а значит без автоматических проверок они будут реализованы и исправлять их придётся уже задним числом.

Получается, что в процессе развития системы управления данными для работы аналитической службы мы, решая вопросы качества данных, так же решаем и задачи качества работы бизнеса, с аналитикой вроде бы напрямую и не связанные. И тут мы получаем еще один пример совместного развития проектов, взаимодополняющих друг друга и помогающих незаметно преодолеть стену сопротивления бизнес-подразделений при внедрении новых инструментов.

Почему нельзя просто «взять и внедрить»?

Можно долго рассказывать про выстраивание «правильного» ландшафта работы с данными, инструменты и регламенты, которые для этого нужны, но запускать такие сложные и дорогостоящие проекты на много лет вперед без четкого понимания целей, для которых это всё делается, абсолютно бессмысленно.

В каждой компании своя специфика и приоритеты, в том числе и в аналитике. Сделать идеально всё – это утопия. Проще говоря, в работе с данными, как и в любой другой сфере, действует закон Парето: 20% усилий дают 80% требуемого результата. Сделать правильно абсолютно «всё» - безумно дорого и неоправданно сложно. И поэтому всегда будет стоять вопрос, а что именно нам нужно в первую очередь?

Можно, конечно, начинать, как это и положено, с качественной проработки всего проекта аналитики в компании, проводя для этого сотни интервью с бизнес-заказчиками и готовя тонны аналитики. И всё равно половина работы будет мимо. Просто потому, что пока конкретные заказчики не начнут пользоваться продуктом, они не смогут точно сформулировать все свои требования.

  Внедрить систему «Управление данными»: миссия выполнима . Рис. 2

Рис. 2 Внедрение BI позволяет выполнить большой объем по описанию данных еще до начала работы над Data Governance

Чем поможет внедрение BI?

В случае нашей компании, стержнем всех проектов стало развитие BI-аналитики для нужд бизнеса. И это вполне закономерно:

Читайте также
Сегодня цифровая трансформация является ключевым фактором развития банковской сферы. Искусственный интеллект (ИИ), когда-то казавшийся футуристической идеей из научно-популярных книг, стал практическим инструментом для оптимизации чуть ли не всех процессов в компаниях и предоставляет значительное конкурентное преимущество тем, кто его использует. Банк, в котором я работаю (входящий в топ-5 мировых банков), не остался в стороне и решил внедрить ИИ в процесс разработки. В этой статье я поделюсь опытом компании в интеграции ИИ и последствиями принятых решений.

1.     Определение приоритетного круга интересов бизнеса и связанных с ними источников данных заранее. Мы точно знаем приоритеты по важности и критичности данных, а также весь пул владельцев данных и потребителей информации. И это не данные интервью и предположения, а фактическая работа людей, подтвержденная конкретными записями и обращениями. На базе этих фактических данных мы можем точно определить приоритетные области данных, с которыми нам предстоит работать и охватывать регламентами.

2.     Объективное знание данных в процессе работы над аналитикой и построения аналитического хранилища. По критичным элементам данных у нас уже есть полное их описание, структура и связи. А также выявлены все ошибки и противоречия. Гигантский объем работы по описанию данных был выполнен «заодно». Это не только действительно объективная и проверенная информация, но к тому же полученная без всякого «принуждения» и «насилия».

3.     Моральная «готовность» коллег к работе с данными. Главная цель проекта – это качество данных, а оно в первую очередь достигается за счёт внедрения регламентов и работы с конкретными людьми на этапах ручного ввода или обработки данных. И это самое сложное, потому что менять свои привычки и сложившийся порядок работы всегда тяжело. А если люди еще и не понимают, зачем им это всё надо, то будет постоянный саботаж, который в итоге и «похоронит» проект. Отчитаться об MVP получится (и то не всегда, чаще просто продемонстрировать саму возможность внедрения), но вот развить проект дальше не выйдет. Постоянное сопротивление со стороны пользователей в итоге сломает даже то, что невероятными усилиями удалось построить вначале. И именно тут нам «BI-подготовка» и помогает. Пользователи уже работают со своими данными, они их видят вживую и все сразу, как и все ошибки и проблемы, которые возникают из-за плохого качества или несогласованности данных. И теперь они не только не против навести порядок, но еще и сами просят, потому что видят и понимают зачем это надо.

В итоге мы, постепенно развивая BI-аналитику, «по пути» еще и выполнили все подготовительные работы для проекта «Управление данными», что обычно само по себе уже выходит, как самостоятельный и очень большой и долгий проект, который в дальнейшем обеспечивает «лёгкий вход» в само управление данными.

 

 

Опубликовано 16.11.2022

Похожие статьи